Papeles del Psiclogo

ISSN: 0214-7823
papeles@correo.cop.es
Consejo General de Colegios Oficiales de
Psiclogos
Espaa

Prieto, Gerardo; Delgado, Ana R.

FIABILIDAD Y VALIDEZ
Papeles del Psiclogo, vol. 31, nm. 1, enero-abril, 2010, pp. 67-74
Consejo General de Colegios Oficiales de Psiclogos
Madrid, Espaa

Disponible en: http://www.redalyc.org/articulo.oa?id=77812441007

Cmo citar el artculo

Nmero completo
Sistema de Informacin Cientfica
Ms informacin del artculo Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Pgina de la revista en redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Papeles del Psiclogo, 2010. Vol. 31(1), pp. 67-74 Seccin Monogrfica
http://www.cop.es/papeles

FIABILIDAD Y VALIDEZ
Gerardo Prieto y Ana R. Delgado
Universidad de Salamanca

En este captulo se describen conceptualmente las propiedades psicomtricas de fiabilidad y validez y los procedimientos para eva-
luarlas. El apartado dedicado a la fiabilidad o precisin de las puntuaciones de las pruebas describe los distintos modelos, procedi-
mientos empricos e ndices estadsticos para cuantificarla. En cuanto a la validez, la propiedad psicomtrica ms importante y la
que ha experimentado mayores transformaciones a lo largo de la historia de la Psicometra, se resumen las principales concepciones
y los debates en torno a la misma.
Se previene al lector de dos frecuentes malentendidos: en primer lugar, considerar que la fiabilidad y la validez son caractersticas
de los tests cuando corresponden a propiedades de las interpretaciones, inferencias o usos especficos de las medidas que esos tests
proporcionan; en segundo lugar, tratar la fiabilidad y la validez como propiedades que se poseen o no en lugar de entenderlas co-
mo una cuestin de grado.
Palabras clave: Fiabilidad, Psicometra, Tests, Validez.

The psychometric properties of reliability and validity and the procedures used to assess them are conceptually described in this
chapter. The part devoted to the reliability, or test score accuracy, is focused in the models, procedures and statistical indicators most
usually employed. As to validity, the most important psychometric property, and the one whose conception has changed the most, we
summarize its history in testing contexts.
The reader is prevented that reliability and validity are not, as usually thought, properties of the testing instruments but of the particu-
lar inferences made from the scores. Another common error is considering reliability and validity, not as questions of degree, but as
absolute properties.
Key words: Reliability, Psychometrics, Testing, Validity.
os psiclogos utilizan diversos procedimientos es- tests proporcionan. El segundo se refiere a la considera-
L tandarizados para obtener muestras de la con-
ducta de las personas. Estos recursos,
cin de que la fiabilidad y la validez se poseen o no, en
lugar de entenderlas como una cuestin de grado (AE-
genricamente denominados tests, incluyen un procedi- RA, APA y NCME, 1999).
miento de puntuacin que permite obtener medidas que
pueden ser usadas con distintos propsitos: estimar el ni- FIABILIDAD
vel de la personas en un constructo (ansiedad, calidad La fiabilidad se concibe como la consistencia o estabilidad
de vida, visualizacin espacial), evaluar la competen- de las medidas cuando el proceso de medicin se repite.
cia tras un periodo de aprendizaje, clasificar a los pa- Por ejemplo, si las lecturas del peso de una cesta de man-
cientes en categoras diagnsticas o seleccionar a los zanas varan mucho en sucesivas mediciones efectuadas en
aspirantes ms aptos para un puesto de trabajo. La legi- las mismas condiciones, se considerar que las medidas
timidad y eficiencia de estas prcticas depende de su son inestables, inconsistentes y poco fiables. La carencia de
fiabilidad y validez. precisin podra tener consecuencias indeseables en el cos-
En este captulo se describen, de forma conceptual, es- te de ese producto en una ocasin determinada. De esta
tas dos caractersticas psicomtricas y los procedimientos concepcin se sigue que de la variabilidad de las puntua-
ms frecuentes para evaluarlas. De entrada, hay que ciones obtenidas en repeticiones de la medicin puede ob-
prevenir al lector de dos frecuentes malentendidos. El tenerse un indicador de la fiabilidad, consistencia o
primero consiste en considerar que la fiabilidad y la vali- precisin de las medidas. Si la variabilidad de las medidas
dez son caractersticas de los tests. Por el contrario, co- del objeto es grande, se considerar que los valores son
rresponden a propiedades de las interpretaciones, imprecisos y, en consecuencia, poco fiables. De manera
inferencias o usos especficos de las medidas que esos semejante, si una persona contestase a un test repetida-
mente en las mismas condiciones, de la variabilidad de las
Correspondencia: Gerardo Prieto. Facultad de Psicologa. Uni- puntuaciones podra obtenerse un indicador de su grado
versidad de Salamanca. Avda. De la Merced 109-131, 37005 Sa- de fiabilidad. La imposibilidad de lograr que las medidas
lamanca. Espaa. Email: gprieto@usal.es se lleven a cabo exactamente en las mismas condiciones es

67
 Seccin Monogrfica
uno de los problemas de las medicin psicolgica y educa-
tiva. El nivel de atencin y de motivacin de una persona
puede variar al contestar repetidamente a la misma prue-
ba, la dificultad de dos tests pretendidamente iguales cons-
truidos para medir el mismo constructo puede ser desigual,
las muestras de examinadores que califican un examen de
selectividad pueden diferir en el grado de severidad, etc.
Por tanto, el esfuerzo de los evaluadores ha de centrarse en
estandarizar el procedimiento de medicin para minimizar
la influencia de aquellas variables extraas que pueden
producir inconsistencias no deseadas. La estandarizacin
del procedimiento implica obtener las medidas en todas las
ocasiones en condiciones muy semejantes: con el mismo
tiempo de ejecucin, las mismas instrucciones, similares
ejemplos de prctica, tareas de contenido y dificultad equi-
valentes, similares criterios de calificacin de los evaluado-
res de exmenes, etc.
El estudio de la fiabilidad parte de la idea de que la
puntuacin observada en una prueba es un valor con-
creto de una variable aleatoria consistente en todas las
posibles puntuaciones que podran haber sido obteni-
das por una persona en repeticiones del proceso de
medida en condiciones semejantes (Haertel, 2006).
Obviamente, no es posible repetir la medicin un n-
mero muy grande de veces a los mismos participantes.
Por tanto, la distribucin de las puntuaciones es hipot-
tica y sus propiedades deben ser estimadas indirecta-
mente. La media de esa distribucin, que reflejara el
nivel de una persona en el atributo de inters, es deno-
minada puntuacin verdadera en la Teora Clsica de
los Tests (TCT). La TCT es un conjunto articulado de
procedimientos psicomtricos desarrollados fundamen-
talmente en la primera mitad del siglo pasado, que se
ha utilizado extensivamente para la construccin, an-
lisis y aplicacin de los tests psicolgicos y educativos.
Aunque la TCT surgi en el contexto de la medicin de
las aptitudes humanas, sus propuestas se extienden a
otras reas. Se asume que la puntuacin verdadera de
una persona no cambia entre ocasiones, por lo que la
variabilidad de las puntuaciones observadas se debe a
la influencia de un error de medida aleatorio, no siste-
mtico (producido por causas desconocidas e incontro-
lables en esa situacin). La cantidad de error en cada
caso sera la diferencia entre una puntuacin observa-
da y la puntuacin verdadera. La desviacin tpica de
los errores, denominada error tpico de medida (ETM),
indica la precisin de las puntuaciones de una perso-
na, es decir, su variabilidad en torno a la puntuacin
verdadera. El ETM refleja el error que puede esperarse
en una puntuacin observada. Por ejemplo, si el error
68
FIABILIDAD Y VALIDEZ
tpico de medida del peso de un objeto fuese de dos
gramos, se puede aventurar que el peso observado di-
ferir del peso verdadero en ms de dos gramos solo
la tercera parte de las veces. Aunque la TCT permite
estimar el ETM para personas situadas en distintos ran-
gos de la variable (denominados errores tpicos de me-
dida condicionales ), suele emplearse un nico valor
aplicable de forma general a todas las puntuaciones de
las personas de una poblacin. Obviamente, la valora-
cin del ETM depende de la magnitud de los objetos
que se estn midiendo: dos gramos es un error despre-
ciable si se pesan objetos muy pesados como sacos de
cereales, pero es un error notable si se pesan objetos
ms livianos como los diamantes. Es decir, el valor del
ETM est en las mismas unidades que los objetos medi-
dos y carece de un lmite superior estandarizado que
facilite su valoracin. Por ello, se ha propuesto un ndi-
ce estandarizado de consistencia o precisin denomi-
nado coeficiente de fiabilidad que puede oscilar entre
0 y 1. De la TCT se deriva que este coeficiente es el co-
ciente entre la varianza de las puntuaciones verdade-
ras y la varianza de las puntuaciones observadas en
una poblacin de personas. En consecuencia, indica la
proporcin de la variabilidad de las puntuaciones ob-
servadas que no puede atribuirse al error de medida;
por ejemplo, si el coeficiente de fiabilidad es de 0,80,
se considera que el 20% de la variabilidad observada
es espuria.
Para estimar empricamente los estadsticos de fiabili-
dad (ETM y coeficiente de fiabilidad) se emplean diver-
sos diseos de recogida de datos que reflejan distintas
repeticiones del proceso de medida. Los ms conocidos
se denominan test-retest (aplicacin de un test a una
muestra de personas en dos ocasiones entre las que el
atributo se mantiene estable), formas paralelas (aplica-
cin a una muestra de personas en la misma ocasin o
en distintas ocasiones de dos versiones del test equiva-
lentes en contenido, dificultad, etc), consistencia entre las
partes de una prueba (divisin del test en dos subconjun-
tos equivalentes de tems o estimacin a partir de las co-
varianzas entre los tems de la prueba) y consistencia de
las puntuaciones de distintos calificadores (evaluacin
de una muestra de conducta por calificadores indepen-
dientes). La estimacin del coeficiente de fiabilidad a
partir de estos diseos suele basarse en la correlacin
entre las puntuaciones observadas obtenidas en las dis-
tintas formas de replicacin. Existe una extensa biblio-
grafa para obtener una informacin detallada de estos
procedimientos y de los conceptos y desarrollos de la
TCT. Excelentes exposiciones pueden encontrarse en este
GERARDO PRIETO Y ANA R. DELGADO
volumen (Muiz, 2010) y en los textos de Gulliksen
(1950), Martnez-Arias, Hernndez-Lloreda y Hernn-
dez-Lloreda (2006) y Muiz (1998).
Adems de la TCT, se emplean otros enfoques para
cuantificar la fiabilidad de las puntuaciones de los tests:
la Teora de la Generalizabilidad (TG) y la Teora de
Respuesta al tem (TRI).
La TCT permite cuantificar solamente dos componen-
tes de la varianza de las puntuaciones observadas: la
varianza verdadera y la varianza de error. La TG, con-
cebida como una extensin de la TCT, trata de especifi-
car la contribucin a la varianza observada de un
nmero mayor de facetas: la variabilidad entre las per-
sonas, las ocasiones en que se mide, las diferentes for-
mas del instrumento, los diferentes calificadores y las
interacciones entre los componentes. La estimacin de
estas influencias se lleva a cabo mediante el anlisis de
varianza. Los componentes distintos a las diferencias
entre personas (formas del test, calificadores, ocasio-
nes, etc) se interpretan como fuentes del error de las
medidas, sirviendo como evidencia de las posibles cau-
sas del error y permitiendo mejorar los procedimientos
de medicin. Este modelo es especialmente til para
evaluar la fiabilidad de las calificaciones otorgadas
por evaluadores a los productos obtenidos en pruebas
o exmenes abiertos (los examinados no estn constre-
idos por un formato cerrado, tal como los de las prue-
bas de eleccin mltiple, para emitir sus respuestas).
Un tratamiento ms exhaustivo puede encontrarse en
los textos de Brennan (2001) y en este volumen (Mart-
nez-Arias, 2010).
La TRI es un conjunto de modelos de medida dirigidos
a estimar estadsticamente los parmetros de las perso-
nas y los tems en un continuo latente a partir de las res-
puestas observables. En todos los procedimientos de
estimacin estadstica de parmetros, se cuantifica la
cantidad de error de la estimacin a partir del error tpi-
co (un ndice de la variabilidad de los estimadores del
parmetro). Cuanto mayor sea el error tpico, menor se-
r la precisin de la estimacin y mayor ser la incerti- tante, estas convenciones deben seguirse con cautela: si
dumbre sobre el valor del parmetro. De forma similar,
en los modelos de la TRI la incertidumbre sobre la locali-
zacin de una persona o un tem en la variable latente
se cuantifica a partir del error tpico de estimacin (ETE)
de la persona o del tem. Este estadstico se diferencia
del error tpico de medida de las personas correspon-
diente a la TCT. Como ya se ha expuesto, el ETM es una
medida global del error, un nico valor aplicable de for-
ma general a todas las puntuaciones de las personas de
una poblacin, que suele subestimar o sobrestimar el
Seccin Monogrfica
grado de error que afecta a las puntuaciones localiza-
das en distintos niveles de la variable. Por el contrario, el
ETE vara a lo largo de la variable. Por tanto, puede ser
considerado una medida individual de la precisin, da-
do que indica la magnitud del error con la que se esti-
man los parmetros de las personas o los tems situados
en distintas posiciones del continuo latente. La funcin
que describe cmo cambian los valores del ETE de las
personas en los distintos niveles de la variable es espe-
cialmente til para determinar los rangos en los que un
test es ms fiable y para determinar la fiabilidad de los
puntos de corte empleados en la clasificacin de perso-
nas en categoras diagnsticas o de rendimiento.
Puesto que el ETE permite cuantificar un intervalo para
estimar el parmetro de una persona, ser mayor la incer-
tidumbre sobre su localizacin cuanto mayor sea el inter-
valo. Si se adopta la perspectiva opuesta, es decir, de
cunta certidumbre se dispone sobre la localizacin de la
persona, entonces se cuantifica la denominada funcin de
informacin que es anloga al recproco de la varianza
de error condicional de la TCT. La funcin de informacin
del test indica en qu medida ste permite diferenciar en-
tre las personas en los distintos niveles del atributo. Vase
una exposicin ms detallada en de Ayala (2009).
Terminaremos este apartado con algunas consideracio-
nes prcticas acerca de la interpretacin y el uso de los
estadsticos de fiabilidad, comenzando por responder a
una de las preguntas ms frecuentes de los usuarios de
las pruebas: qu grado de fiabilidad deben tener las
puntuaciones para que su uso sea aceptable? Sin duda,
la magnitud requerida depende de las consecuencias de-
rivadas del uso de las puntuaciones. Cuando las puntua-
ciones vayan a emplearse para tomar decisiones que
impliquen consecuencias relevantes para las personas
(p. ej., aceptacin o rechazo en una seleccin de perso-
nal), el coeficiente de fiabilidad debera ser muy alto (al
menos de 0,90). Sin embargo, si se trata de describir las
diferencias individuales a nivel de grupo, bastara con
alcanzar valores ms modestos (al menos 0,70). No obs-
la evaluacin de la fiabilidad se ha llevado a cabo me-
diante los procedimientos derivados de la TCT, los resul-
tados no habrn de ser necesariamente intercambiables,
puesto que los diferentes diseos de recogida de datos
antes mencionados (test-retest, formas paralelas, consis-
tencia interna, etc) aprecian distintas fuentes de error:
inestabilidad de las medidas, falta de equivalencia de
las pruebas, heterogeneidad de los tems, escasez de
concordancia de los evaluadores, etc. Por tanto, es acon-
sejable disponer de estimaciones de la fiabilidad a partir
69
 Seccin Monogrfica
de distintos diseos para lograr una mejor comprensin
del error que afecta a las puntuaciones (Prieto y Muiz,
2000). Adems, los estadsticos de fiabilidad varan en-
tre poblaciones y estn afectados por otras condiciones
como la longitud de la prueba y la variabilidad de las
muestras de personas. En consecuencia, se ha de evitar
el error de considerar que la estimacin de la fiabilidad
procedente de un nico estudio refleja la verdadera y
nica fiabilidad de la prueba. Los constructores y los
usuarios de las pruebas deben informar detalladamente
de los mtodos de cuantificacin, de las caractersticas
de las muestras y de las condiciones en las que se han
obtenido los datos (AERA, APA y NCME, 1999). Como
hemos indicado anteriormente, el error tpico de medida
est expresado en las mismas unidades que las puntua-
ciones de la prueba. Por ello, es difcil establecer compa-
raciones entre la fiabilidad de las puntuaciones de
distintos tests en base a este estadstico. Por el contrario,
la magnitud del coeficiente de fiabilidad oscila siempre
entre unos lmites estandarizados (0 y 1), por lo que es
muy til para elegir el test ms fiable entre los potencial-
mente utilizables para una aplicacin especfica. Sin em-
bargo, el error tpico de medida aporta ms informacin
para describir la precisin de las puntuaciones.
En ocasiones, se utilizan las puntuaciones de los tests,
no simplemente para estimar la posicin de una persona
en la poblacin de inters (denominada interpretacin
relativa), sino para asignarla a una categora diagnsti-
ca o de rendimiento (patolgica/normal, apto/no apto,
aceptado/excluido, etc). Para realizar este tipo absoluto
de interpretaciones, se suelen emplear puntos de corte
que guan la clasificacin. Puesto que la fiabilidad de las
puntuaciones no suele ser la misma en todos los niveles
de la variable, conviene conocer el grado de error en las
cercanas del punto de corte, dado que si es alto ser
elevado el nmero de falsos positivos y negativos en la
clasificacin. En este caso, es aconsejable emplear la
funcin de error de estimacin o de informacin deriva-
da de los modelos de la TRI.
Terminaremos este apartado analizando la relacin entre
la fiabilidad y la validez de las puntuaciones, la propiedad
que se describe en el siguiente apartado. En la actualidad
se considera que la validez, definida como el grado en que
las interpretaciones y los usos que se hacen de las puntua-
ciones estn justificados cientficamente, es la propiedad
psicomtrica ms importante. Obviamente, la utilidad de
unas puntuaciones escasamente fiables para tales fines es-
tar seriamente comprometida. De ah que se considere la
fiabilidad como condicin necesaria de la validez. Sin em-
bargo, no ser una condicin suficiente si las puntuaciones
70
FIABILIDAD Y VALIDEZ
verdaderas, aunque se estimen de manera muy precisa, no
resultan apropiadas para conseguir el objetivo de la medi-
da (representar un constructo, predecir un criterio de inte-
rs, etc). Es til tener presente que la fiabilidad es una
cuestin relativa a la calidad de los datos, mientras que la
validez se refiere a la calidad de la inferencia (Zumbo,
2007).
VALIDEZ
El concepto de validez ha experimentado transformacio-
nes importantes durante el ltimo siglo, provocadas por
los diversos objetivos a los que se han destinado los
tests. De acuerdo con Kane (2006), entre 1920 y 1950
el uso principal de las pruebas consisti en predecir al-
guna variable de inters denominada criterio (por ejem-
plo, el rendimiento laboral o acadmico). En la
actualidad este enfoque sigue siendo de suma importan-
cia cuando se emplean las pruebas para seleccionar a
los candidatos ms aptos para un empleo, en los pro-
gramas de admisin, en la adscripcin de pacientes a
tratamientos, etc. En estos casos, la evaluacin de la utili-
dad de la prueba suele cuantificarse mediante la correla-
cin entre sus puntuaciones y las de alguna medida del
criterio (coeficiente de validez). Sin embargo, el xito de
este tipo de justificacin depende de la calidad de la me-
dida del criterio, especialmente de su representatividad
(por ejemplo, los indicadores para medir el criterio son
suficientes y representativos del puesto de trabajo a de-
sempear?). De ah que el nfasis se desplazase a la jus-
tificacin de que la puntuacin en el criterio proceda de
una muestra de indicadores que representase de forma
apropiada el dominio o contenido a medir (la totalidad
de los indicadores posibles). Por tanto, esta fase inicial
de desarrollo del concepto termin con la propuesta de
dos vas regias para establecer la validez de las prue-
bas: la validacin de criterio (la correlacin entre las
puntuaciones del test y las puntuaciones en el criterio) y
la validacin de contenido (la justificacin de que los
tems para medir el criterio son una muestra representati-
va del contenido a evaluar).
La validacin de contenido se extendi desde el anli-
sis del criterio al de la validez de los tests predictores:
una prueba no puede considerarse vlida si los tems
que la componen no muestrean adecuadamente el con-
tenido a evaluar. La validacin de contenido es un en-
foque especialmente frtil cuando las facetas del
dominio a medir pueden identificarse y definirse clara-
mente. Es ste el caso de los tests dirigidos a evaluar el
rendimiento acadmico que puede especificarse en fun-
cin de los objetivos de la instruccin (conceptos y ha-
GERARDO PRIETO Y ANA R. DELGADO
bilidades que un alumno ha de poseer). La metodolo-
ga de validacin descansa fundamentalmente en la
evaluacin de expertos acerca de la pertinencia y la
suficiencia de los tems, as como de la adecuacin de
otras caractersticas de la prueba como las instruccio-
nes, el tiempo de ejecucin, etc. Sin embargo, especifi-
car con precisin el contenido de las manifestaciones
de constructos como la extraversin, la memoria de tra-
bajo o la motivacin de logro es una tarea ms difcil.
De ah que tanto la validacin de contenido como la de
criterio se considerasen insuficientes para justificar el
uso de pruebas dirigidas a evaluar aptitudes cognitivas
o atributos de la personalidad. Esta insatisfaccin se
concret en el influyente artculo de Cronbach y Meehl
(1955) en el que se propone la validacin de construc-
to como el modo principal de validacin. Cronbach
(1971) puntualiz que en un test para medir un rasgo
de personalidad no hay nicamente un criterio relevan-
te que predecir, ni un contenido que muestrear. Se dis-
pone, por el contrario, de una teora acerca del rasgo
y de sus relaciones con otros constructos y variables. Si
se hipotetiza que la puntuacin del test es una manifes-
tacin vlida del atributo, se puede contrastar la asun-
cin analizando sus relaciones con otras variables. En
consecuencia, la validacin de constructo puede conce-
birse como un caso particular de la contrastacin de
las teoras cientficas mediante el mtodo hipottico-de- tar un juicio favorable sobre la validez de las interpreta-
ductivo. Aunque el usuario no sea, en general, cons-
ciente de ello, las tcnicas de medida implican teoras
(que se suponen suficientemente corroboradas en el
momento de usarlas para contrastar hiptesis cientfi-
cas o prcticas), por lo que deben venir avaladas ellas
mismas por teoras cuyo grado de sofisticacin depen-
der del momento en que se encuentre el programa de
investigacin en el que han surgido (Delgado y Prieto,
1997). Dado que una teora postula una red de rela-
ciones entre constructos y atributos observables, no po-
dremos asumir que las puntuaciones son vlidas si la
teora es formalmente incorrecta, las predicciones deri-
vadas de la teora no se cumplen en los datos empri-
cos o se han violados otros supuestos auxiliares. As,
desde finales del siglo pasado se ha impuesto la con-
cepcin de que la validacin de constructo constituye
un marco integral para obtener pruebas de la validez,
incluyendo las procedentes de la validacin de criterio
y de contenido (Messick, 1989). El marco de validacin
se define a partir de teoras en las que se especifican el
significado del constructo a evaluar, sus relaciones con
otros constructos, sus manifestaciones y sus potenciales
aplicaciones e interpretaciones. Adems de las pruebas
Seccin Monogrfica
necesarias para justificar una adecuada representacin
del constructo, Messick incluy en el marco de valida-
cin la justificacin de las consecuencias del uso de los
tests (las implicaciones individuales y sociales). Como
se comentar ms adelante, la inclusin de la denomi-
nada validacin de las consecuencias es an objeto de
debate. Este breve resumen de la historia del concepto
de validez, de la que hemos mencionado algunos hitos
importantes, permite comprender los conceptos actua-
les de validez y validacin, de los que destacaremos a
continuacin sus principales caractersticas.
En la actualidad se considera que la validez se refiere
al grado en que la evidencia emprica y la teora apo-
yan la interpretacin de las puntuaciones de los tests re-
lacionada con un uso especfico (AERA, APA y NCME,
1999). La validacin es un proceso de acumulacin de
pruebas para apoyar la interpretacin y el uso de las
puntuaciones. Por tanto, el objeto de la validacin no es
el test, sino la interpretacin de sus puntuaciones en rela-
cin con un objetivo o uso concreto. El proceso de vali-
dacin se concibe como un argumento que parte de
una definicin explcita de las interpretaciones que se
proponen, de su fundamentacin terica, de las predic-
ciones derivadas y de los datos que justificaran cientfi-
camente su pertinencia. Dado que las predicciones
suelen ser mltiples, una nica prueba no puede susten-
ciones propuestas. Son necesarias pruebas mltiples y
convergentes obtenidas en diferentes estudios. Por ello,
se considera que la validacin es un proceso dinmico y
abierto. Obviamente, los usos y las interpretaciones rela-
cionadas pueden ser muy variados. Por ello, las fuentes
de validacin son mltiples y su importancia vara en
funcin de los objetivos. Los Standards for educational
and psychological testing (AERA, APA y NCME, 1999)
se refieren a las ms importantes: el contenido del test,
los procesos de respuesta, la estructura interna de la
prueba, las relaciones con otras variables y las conse-
cuencias derivadas del uso para el que se proponen.
Antes de resumir estos enfoques metodolgicos, hemos
de puntualizar que reflejan distintas facetas de la validez
que las engloba como un nico concepto integrador. Por
tanto, no es riguroso utilizar trminos, como validez pre-
dictiva, validez de contenido, factorial, etc, que induci-
ran a considerar distintos tipos de validez.
Validacin del contenido del test
Los tests estn compuestos por un conjunto de tems des-
tinados a obtener una puntuacin que represente el ni-
vel de una persona en un constructo (extraversin,
71
 Seccin Monogrfica
competencia en matemticas, etc). Difcilmente se podr
justificar la calidad de las medidas si los tems no repre-
sentan de forma suficiente las diferentes facetas de las
manifestaciones del constructo. Si eso sucede, el cons-
tructo estar infrarrepresentado y, en consecuencia, las
puntuaciones no alcanzarn el grado de validez reque-
rido. Asimismo, la evidencia de que las respuestas a los
tems estn influidas por variables ajenas al constructo
de inters constituye una de las principales amenazas a
la validez produciendo la denominada varianza irrele-
vante al constructo. Tambin son objeto de la validez de
contenido las instrucciones, los ejemplos de prctica, el
material de la prueba, el tiempo de ejecucin, etc. La
consulta a expertos es la va ms usual para apreciar la
calidad del contenido, especialmente en mbitos educa-
tivos, aunque cada vez son ms empleados los mtodos
cualitativos basados en la observacin directa, las en-
trevistas o el anlisis de archivos. Los procedimientos es-
tandarizados de consulta facilitan la obtencin de datos
cuantitativos indicativos del porcentaje de tems de cali-
dad, el porcentaje de las facetas del dominio suficiente-
mente evaluadas, el porcentaje de jueces que han
valorado positivamente la calidad de los materiales, la
concordancia entre los expertos, etc. Un tratamiento
exhaustivo de la validacin del contenido puede encon-
trarse en Sireci (1998).
Anlisis de los procesos de respuesta
Debido a la influencia de la ciencia cognitiva, la valida-
cin de los tests de inteligencia, aptitudes y rendimiento
debe incluir el anlisis de los procesos, las estrategias de
resolucin de problemas y las representaciones mentales
que emplean los participantes para resolver los tems. Se
obtendr evidencia de validez cuando los procesos utili-
zados se ajustan a los que se postulan en las teoras re-
lativas al constructo medido. La metodologa de estudio
es muy diversa: entrevistas a los examinados para que
describan cmo resuelven las tareas, anlisis de los mo-
vimientos oculares o tiempos de respuesta, etc. Cuando
las teoras acerca del constructo han superado las etapas
meramente exploratorias, se pueden construir los tests a
partir de un diseo cognitivo que especifica ciertos sub-
conjuntos de tems para suscitar determinados procesos
latentes. Las respuestas a los tems permiten estimar, me-
diante modelos complejos de la TRI, los parmetros de la
persona en los distintos componentes cognitivos de la ta-
rea e identificar clases de personas que emplean distin-
tas estrategias de procesamiento. En este enfoque se
basan las tendencias ms avanzadas del diagnstico
cognitivo (Yang y Embretson, 2007).
72
FIABILIDAD Y VALIDEZ
Anlisis de la estructura interna del test
Algunos tests proporcionan una medida de un solo cons-
tructo, otros evalan varios constructos incluyendo una su-
bescala para cada uno de ellos. El anlisis de la estructura
interna persigue verificar empricamente si los tems se
ajustan a la dimensionalidad prevista por el constructor de
la prueba. Cuando un test construido inicialmente para
evaluar a las personas de una poblacin especfica se pre-
tende adaptar a una poblacin diferente (de otra cultura,
por ejemplo), es obligado analizar si la estructura interna
de la prueba se mantiene invariante. En caso contrario, el
significado de las puntuaciones diferir entre ambas pobla-
ciones. El anlisis de la estructura interna del test suele lle-
varse a cabo con ayuda de los modelos de anlisis
factorial que se describen en detalle en el artculo de Fe-
rrando y Anguiano (2010) de este monogrfico.
Entre los mtodos para evaluar la unidimensionalidad
de la prueba, ocupa un lugar importante el anlisis del
funcionamiento diferencial de los tems (DIF). Se podr
aseverar que un test tiene una validez similar en grupos
de distinto sexo, cultura, lengua materna, etc., si sus
tems no presentan DIF, como puede leerse en el artculo
de Gmez-Benito, Hidalgo y Guilera (2010).
Asociacin de las puntuaciones con otras variables
Las relaciones de las puntuaciones del test con otras va-
riables externas a la prueba constituyen una importante
fuente de validacin. Cuando se emplean las puntuaciones
para seleccionar los candidatos ms aptos para un em-
pleo, en los programas de admisin, en la adscripcin de
pacientes a tratamientos, etc, la justificacin se basa en su
utilidad para predecir un criterio externo. El criterio es una
medida de la variable de inters: rendimiento laboral,
presencia o ausencia de un trastorno neuropsicolgico,
calificaciones acadmicas, etc. La utilidad de la prueba se
suele cuantificar mediante la correlacin entre sus puntua-
ciones y las de alguna medida del criterio (coeficiente de
validez), o mediante otros procedimientos: diferencia en
las puntuaciones entre grupos de distinto nivel en el crite-
rio, grado de acuerdo en las clasificaciones en categoras
diagnsticas realizadas mediante el test y expertos, etc. La
eleccin de un criterio fiable y vlido (suficiente, objetivo y
representativo de la conducta de inters) es el punto crtico
que determina la bondad del proceso de validacin. En
funcin del momento temporal en el que se evala el crite-
rio, se distinguen distintos tipos de recogida de datos: re-
trospectiva (el criterio se ha obtenido antes de administrar
el test, por ejemplo en base a un diagnstico clnico ante-
rior), concurrente (las puntuaciones del test y del criterio se
obtienen en la misma sesin) y predictiva (el criterio se mi-
GERARDO PRIETO Y ANA R. DELGADO
de en un momento posterior). Los resultados entre estos
procedimientos pueden diferir: se preferir el ms adecua-
do al uso que se pretende (por ejemplo, el enfoque predic-
tivo es ms apropiado al pronstico de un rendimiento
laboral futuro). De suma importancia es analizar si la utili-
dad predictiva o diagnstica se mantiene invariante en
distintos grupos de personas. La cuestin de la variabili-
dad de los resultados en distintos grupos, distintos estu-
dios, diferentes medidas del criterio, etc. afecta a la
generalizacin de la validez de la prueba. El meta-anlisis
(vase el artculo de Snchez-Meca y Botella, 2010) per-
mite indagar cmo varan las correlaciones entre el test y
el criterio en funcin de distintas facetas de los estudios.
Cuando las puntuaciones de los tests se usan para esti-
mar el nivel de las personas en un constructo, sus corre-
laciones con las de otros tests que miden el mismo u
otros constructos son de una relevancia especial. Se es-
pera que la asociacin entre pruebas que midan el mis-
mo constructo, sean mayores (validacin convergente)
que entre tests que miden constructos diferentes (valida-
cin discriminante). Para obtener evidencia emprica, se
emplean tcnicas como el anlisis factorial o la matriz
multirrasgo-multimtodo (Campbell y Fiske, 1959) en la
que se resumen las correlaciones de un test con marca-
dores (tests de validez comprobada) que miden varios
constructos a travs de distintos mtodos.
Validacin de las consecuencias del uso de los tests
La ltima versin de los Standards for educational and psy-
cological testing (AERA, APA y NCME, 1999) plantea la
previsin de las posibles consecuencias del uso de los tests
como parte del proceso de validacin. Desde esta pers-
pectiva, el anlisis y justificacin de las consecuencias ocu-
pan un lugar preponderante cuando los tests vayan a
emplearse para tomar decisiones crticas para personas e
instituciones: seleccin, contratacin, graduacin, promo-
cin profesional, evaluacin de programas, etc. La literatu-
ra psicomtrica denomina estos usos como de alto riesgo.
Estas prcticas no son ajenas al contexto espaol: seleccin
de los candidatos a piloto, al ejrcito profesional y los cuer-
pos de seguridad, oposiciones para ingresar en diversas
instituciones y empresas, exmenes universitarios, pruebas
de selectividad, evaluacin del profesorado universitario,
evaluacin del grado de dependencia, obtencin del per-
miso de armas y del carnet de conducir, etc. En estos ca-
sos, la pertinencia del uso no se limita a la comprobacin
de que las puntuaciones representan adecuadamente los
constructos y a la justificacin terica de la red nomolgica
que vincula los constructos con los criterios de inters. Las
aplicaciones de alto riesgo tienen efectos colaterales de ca-
Seccin Monogrfica
rcter personal y social. Citemos como ejemplo de los pri-
meros el efecto en la validez de las puntuaciones del entre-
namiento y aprendizaje de los tests que suelen seguir
muchas de las personas que se presentan a programas de
seleccin. Hasta qu punto son sensibles las pruebas a
este tipo de manipulacin? Existen otros efectos de carcter
institucional tales como la peculiaridad del uso de los tests
en un contexto social. Pinsese en el fraude social relacio-
nado con el uso de las pruebas psicotcnicas que se emple-
an en nuestro pas para otorgar el permiso de armas o el
de conducir. Si pensamos en las consecuencias, podra-
mos decir que ejercen su funcin? Est claro que si la vali-
dez se refiere al grado en que la teora y la evidencia
emprica apoyan la interpretacin de las puntuaciones de
los tests en relacin con un uso especfico, las consecuen-
cias no pueden ser ajenas al proceso de validacin.
Aunque parece existir un cierto consenso sobre esta
cuestin, tambin existen voces discordantes. Por ejem-
plo, Borsboom y Mellenberg (2007) consideran que el
concepto de validez debe limitarse a un mbito ms res-
tringido que el de la amplia definicin incluida en las
propuestas de Messick (1989) y en los actuales
Standards. A su juicio, la validacin debe limitarse a
contrastar si existe una relacin causal entre el constructo
y las puntuaciones del test; las interpretaciones de las
puntuaciones en contextos aplicados (seleccin de perso-
nal, acreditacin, etc) y el impacto social del uso de las
pruebas seran ajenas, stricto sensu, al mbito de la vali-
dez. Si bien esta postura simplificadora parece libre de
problemas, definir la validez de constructo como la vali-
dez de la inferencia causal implica identificarla con la va-
lidez interna de la evidencia a favor del constructo (para
una versin actualizada de los distintos tipos de validez
en los diseos experimentales vase Shadish, Cook y
Campbell, 2002). Esta identificacin podra, tal vez, jus-
tificarse en programas de investigacin bsica ya avan-
zados, pero imposibilitara en la prctica la mayor parte
de las aplicaciones psicolgicas, y esto sin tener en cuen-
ta los conocidos problemas del concepto de causacin.
De ah que el pragmatismo nos lleve a preferir una postu-
ra ms flexible, la que considera que los procedimientos
de validacin han de servir para apoyar la inferencia a
la mejor explicacin posible, incluyendo la evidencia
aportada por los diversos mtodos cualitativos y cuantita-
tivos a disposicin de los psicmetras en cada momento
(Zumbo, 2007). Si se considera que la validacin es un
proceso abierto en el tiempo, la validez es necesariamen-
te una cuestin de grado, como sealan los Standards,
algo que, por otra parte, es comn a los distintos concep-
tos de validez empleados por los epistemlogos.
73
 Seccin Monogrfica
El debate sobre la inclusin de las consecuencias en el
concepto de validez no es un tecnicismo que preocupe
solo a los sesudos tericos de la psicometra. Tomar par-
tido por la inclusin conlleva responsabilidades: pueden
y deben los constructores de las pruebas aventurar las
consecuencias deseables e indeseables de su uso? qu
repertorio metodolgico usar para ello? en qu instan-
cia recae el anlisis y la justificacin de las consecuen-
cias? Estas y otras cuestiones relacionadas seguirn
alimentando el debate y la generacin de propuestas:
una excelente revisin sobre la validacin de las conse-
cuencias puede consultarse en Padilla, Gmez, Hidalgo
y Muiz (2007).
Para terminar, un comentario terminolgico: acorde
con la trayectoria del uso de los tests en contextos anglo-
sajones, validation tiene en ingls un significado legal:
declarar legalmente vlido. Por el contrario, en nuestra
lengua, el trmino validacin tiene dos significados: ac-
cin y efecto de validar, que comparte con el idioma in-
gls, y firmeza, fuerza, seguridad o subsistencia de
algn acto. Aunque solemos referirnos a la primera
acepcin, la ms asptica, es la segunda la que ms se
acerca al objetivo que persigue la investigacin psicol-
gica en su variante psicomtrica.
REFERENCIAS
American Educational Research Association, American
Psychological Association y National Council on Mea-
surement in Education. (1999). Standards for educa-
tional and psychological testing. Washington, DC:
American Educational Research Association.
Borsboom, D. y Mellenberg, G.J. (2007). Test Validity in
Cognitive Assessment. En J.P. Leighton y M.J. Gierl
(Eds.), Cognitive Diagnostic Assessment for Education
(pp. 85-115). Cambridge: Cambridge University Press.
Brennan, R.L. (2001). Generalizability theory . New
York: Springer-Verlag.
de Ayala, R.J. (2009). The Theory and Practice of Item
Response Theory. New York: The Guilford Press.
Campbell, D.T. y Fiske, D.W. (1959). Convergent and
discriminant validation by the multitrait-multimethod
matrix. Psychological Bulletin, 56, 81-105.
Cronbach, L. J. (1971). Test validation. En R.L. Thorndike
(Ed.), Educational measurement (pp. 443-507). Was-
hington, DC: American Council on Education.
Cronbach, L.J. y Meehl, P.E. (1955). Construct validity in
psychological tests. Psychological Bulletin, 52, 281-302.
Delgado, A.R. y Prieto, G. (1997). Introduccin a los mto-
dos de investigacin de la psicologa. Madrid: Pirmide.
Gmez-Benito, J., Hidalgo, M.D. y Guilera, G. (2010).
74
FIABILIDAD Y VALIDEZ
El sesgo de los instrumentos de medicin. Tests justos.
Papeles del Psiclogo, 31(1), 75-84.
Gulliksen, H. (1950). Theory of mental tests. New York,
Wiley.
Haertel, E. H. (2006). Reliability. En R.L. Brennan (Ed.),
Educational Measurement (pp. 65-110). Wesport, CT:
American Council on Education and Praeger Publishers.
Kane, M.T. (2006). Validation. En R.L. Brennan (Ed.), Edu-
cational Measurement (pp. 17-64). Wesport, CT: Ameri-
can Council on Education and Praeger Publishers.
Martnez-Arias, M.R. (2010), Evaluacin del desempe-
o. Papeles del Psiclogo, 31(1), 85-96.
Martinez-Arias, M.R., Hernndez-Lloreda, M.J. y Her-
nndez-Lloreda, M.V. (2006). Psicometra. Madrid:
Alianza Editorial.
Messick, S. (1989). Validity. En R.L. Linn (Ed.), Educatio-
nal measurement (pp- 13-103). New York: American
Council on Education.
Muiz, J. (1998). Teora Clsica de los Tests. Madrid: Pi-
rmide.
Muiz, J. (2010). Las teoras de los tests: Teora Clsica
y Teora de Respuesta a los tems. Papeles del Psiclo-
go, 31(1), 57-66.
Padilla, J.L., Gmez, J., Hidalgo, M.D. y Muiz, J.
(2007). Esquema conceptual y procedimientos para
analizar la validez de las consecuencias del uso de los
tests. Psicothema, 19, 173-178.
Prieto, G. y Muiz, J. (2000). Un modelo para evaluar la
calidad de los tests utilizados en Espaa. Papeles del
Psiclogo, 77, 65-71.
Snchez-Meca, J. y Botella, J. (2010). Revisiones siste-
mticas y meta-anlisis: herramientas para la prctica
profesional. Papeles del Psiclogo, 31(1), 7-17.
Shadish, W.R., Cook, T.D., y Campbell, D.T. (2002). Ex-
perimental and Quasi-Experimental Designs for Gene-
ralized Causal Inference. Boston: Houghton-Mifflin.
Sireci, S.G. (1998). The construct of content validity. En
Zumbo, B.D. (Ed.), Validity Theory and the Methods
Used in Validation: Perspectives From the Social and
Behavioral Sciences (pp. 83-117). Kluwer Academic
Press, The Netherlands.
Yang, X. y Embretson, S.E. (2007). Construct Validity
and Cognitive Diagnostic Assessment. En J.P. Leighton
y M.J. Gierl (Eds.), Cognitive Diagnostic Assessment
for Education (pp. 119-145). Cambridge: Cambridge
University Press.
Zumbo, B.D. (2007). Validity: Foundational Issues and
Statistical Methodology. In C.R. Rao and S. Sinharay
(Eds.) Handbook of Statistics, Vol. 26: Psychometrics,
(pp. 45-79). Elsevier Science B.V.: The Netherlands.